Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Important
Microsoft Retriever 1 befindet sich in der öffentlichen Vorschau und unterliegt den ergänzenden Nutzungsbedingungen für Microsoft Azure Previews.
Spezifische Vorschaubedingungen für dieses Feature finden Sie unter Vorschaufunktionen.
Microsoft-retriever-1 ist ein spezielles Abrufmodell, das in Foundry IQ (Azure KI-Suche) gehostet wird. Sie müssen kein externes Planungsmodell verbinden oder dessen Netzwerkkonfiguration und Authentifizierung für die bereitgestellte Abrufplanung konfigurieren. Dieser Workflow durchsucht einen kleinen Richtlinienindex direkt und macht dann denselben Inhalt über eine Wissensdatenbank verfügbar.
Nutzungssupport
| Azure Portal | Microsoft Foundry-Portal | .NET SDK | Python SDK | Java SDK | JavaScript SDK | REST-API |
|---|---|---|---|---|---|---|
| ❌ | ❌ | ✔️ | ✔️ | ✔️ | ✔️ | ✔️ |
Prerequisites
- Ein Foundry IQ Service mit dem Standard Knowledge Retrieval Plan in einer unterstützten Region.
- Berechtigung zum Erstellen, Auffüllen, Abfragen und Löschen des Beispielindexes, der Wissensquelle und der Knowledge Base. Weisen Sie Ihrer Identität für die schlüssellose Authentifizierung die Rollen Search Service Contributor, Search Index Data Contributor und Search Index Data Reader im Foundry IQ-Dienst zu.
- Die neueste Vorschauversion des
azure-search-documents, und dasazure-identityPaket. Siehe Python Clientbibliothek.
- Ein Konsolenprojekt für .NET 8 oder höher mit der neuesten Vorschauversion von
Azure.Search.Documents. Siehe die .NET-Clientbibliothek.
Erstellen eines kleinen Richtlinienindexes
Erstellen Sie einen Index mit durchsuchbarem Richtlinientext und einem filterbaren Zuständigkeitsfeld.
Melden Sie sich wie in Connect to Foundry IQ beschrieben an. Führen Sie die SDK-Codeausschnitte in der reihenfolge aus.
from azure.identity import DefaultAzureCredential
from azure.search.documents import SearchClient
from azure.search.documents.indexes import SearchIndexClient
search_endpoint = "<search-endpoint>"
index_name = "mr1-policy-index"
knowledge_source_name = "mr1-policy-source"
knowledge_base_name = "mr1-policy-kb"
credential = DefaultAzureCredential()
index_client = SearchIndexClient(search_endpoint, credential)
search_client = SearchClient(search_endpoint, index_name, credential)
Referenz:DefaultAzureCredential, SearchClient, SearchIndexClient.
Erstellen Sie den Index, und laden Sie zwei synthetische Richtlinien hoch.
from azure.search.documents.indexes.models import (
SearchFieldDataType,
SearchIndex,
SearchableField,
SimpleField,
)
index = index_client.create_index(SearchIndex(
name=index_name,
fields=[
SimpleField(
name="id", type=SearchFieldDataType.STRING, key=True,
),
SearchableField(name="title"),
SearchableField(name="content"),
SimpleField(
name="jurisdiction",
type=SearchFieldDataType.STRING,
filterable=True,
),
],
))
documents = [
{
"id": "ca-leave",
"title": "Canadian parental leave",
"jurisdiction": "CA",
"content": (
"Canadian employees receive four weeks of paid parental leave."
),
},
{
"id": "ca-request",
"title": "Canadian leave requests",
"jurisdiction": "CA",
"content": (
"Canadian employees submit parental leave requests through "
"the HR portal at least 30 days before leave."
),
},
]
search_client.upload_documents(documents=documents)
Referenz:SearchIndexClient, SearchIndex, SearchClient.upload_documents.
Melden Sie sich wie in Connect to Foundry IQ beschrieben an. Führen Sie die SDK-Codeausschnitte in der reihenfolge aus.
using Azure.Identity;
using Azure.Search.Documents;
using Azure.Search.Documents.Indexes;
string searchEndpoint = "<search-endpoint>";
string indexName = "mr1-policy-index";
string knowledgeSourceName = "mr1-policy-source";
string knowledgeBaseName = "mr1-policy-kb";
var credential = new DefaultAzureCredential();
var indexClient = new SearchIndexClient(new Uri(searchEndpoint), credential);
var searchClient = new SearchClient(
new Uri(searchEndpoint), indexName, credential);
Referenz:DefaultAzureCredential, SearchClient, SearchIndexClient.
Erstellen Sie den Index, und laden Sie zwei synthetische Richtlinien hoch.
using Azure.Search.Documents.Indexes.Models;
using Azure.Search.Documents.Models;
var index = (await indexClient.CreateIndexAsync(
new SearchIndex(indexName,
[
new SimpleField("id", SearchFieldDataType.String)
{
IsKey = true,
},
new SearchableField("title"),
new SearchableField("content"),
new SimpleField("jurisdiction", SearchFieldDataType.String)
{
IsFilterable = true,
},
])).Value;
var documents = new SearchDocument[]
{
new()
{
["id"] = "ca-leave",
["title"] = "Canadian parental leave",
["jurisdiction"] = "CA",
["content"] =
"Canadian employees receive four weeks of paid parental leave.",
},
new()
{
["id"] = "ca-request",
["title"] = "Canadian leave requests",
["jurisdiction"] = "CA",
["content"] =
"Canadian employees submit parental leave requests through " +
"the HR portal at least 30 days before leave.",
},
};
await searchClient.UploadDocumentsAsync(documents);
Reference:SearchIndexClient, SearchIndex, SearchClient.UploadDocumentsAsync.
Legen Sie den Foundry IQ-Dienstendpunkt und das Zugriffstoken fest. Informationen zum Abrufen eines Zugriffstokens finden Sie unter Connect to Foundry IQ.
@searchEndpoint = <search-endpoint> @searchAccessToken = <search-access-token> @indexName = mr1-policy-index @knowledgeSourceName = mr1-policy-source @knowledgeBaseName = mr1-policy-kbErstellen Sie den Index.
PUT {{searchEndpoint}}/indexes/{{indexName}}?api-version=2026-11-01-preview Content-Type: application/json Authorization: Bearer {{searchAccessToken}} { "name": "{{indexName}}", "fields": [ { "name": "id", "type": "Edm.String", "key": true }, { "name": "title", "type": "Edm.String", "searchable": true }, { "name": "content", "type": "Edm.String", "searchable": true }, { "name": "jurisdiction", "type": "Edm.String", "filterable": true } ] }Referenz:Indexes – Erstellen oder Aktualisieren.
Laden Sie zwei synthetische Dokumente hoch.
POST {{searchEndpoint}}/indexes/{{indexName}}/docs/index?api-version=2026-11-01-preview Content-Type: application/json Authorization: Bearer {{searchAccessToken}} { "value": [ { "@search.action": "upload", "id": "ca-leave", "title": "Canadian parental leave", "jurisdiction": "CA", "content": "Canadian employees receive four weeks of paid parental leave." }, { "@search.action": "upload", "id": "ca-request", "title": "Canadian leave requests", "jurisdiction": "CA", "content": "Canadian employees submit parental leave requests through the HR portal at least 30 days before leave." } ] }Reference:Documents - Index.
Direkte Suche mit Microsoft Retriever 1
Übermitteln Sie die vollständige Frage mit agentic-Abfrageausführung, einem Filter und einem Debugmodus, der auf agentic festgelegt ist.
from azure.search.documents.models import (
AgenticSearchOptions,
QueryDebugMode,
QueryType,
)
question = "What parental leave do Canadian employees receive and how do they request it?"
results = search_client.search(
search_text=question,
query_type=QueryType.AGENTIC,
agentic_options=AgenticSearchOptions(max_runtime_in_seconds=60),
filter="jurisdiction eq 'CA'",
select=["id", "title", "content", "jurisdiction"],
top=5,
debug=QueryDebugMode.AGENTIC,
)
documents = list(results)
diagnostics = results.get_debug_info()
Beispieldiagnosen:
{
"semantic": null,
"queryRewrites": null,
"agentic": {
"terminationReason": "modelStopped",
"subQueries": [],
"usage": {
"agenticPlanningTokens": 102,
"reasoningTokens": 50
}
}
}
Reference:SearchClient.search.
Übermitteln Sie die vollständige Frage mit agentic-Abfrageausführung, einem Filter und einem Debugmodus, der auf agentic festgelegt ist.
using Azure.Search.Documents;
using Azure.Search.Documents.Models;
string question = "What parental leave do Canadian employees receive and how do they request it?";
var options = new SearchOptions
{
QueryType = SearchQueryType.Agentic,
AgenticOptions = new AgenticSearchOptions { MaxRuntimeInSeconds = 60 },
Filter = "jurisdiction eq 'CA'",
Select = { "id", "title", "content", "jurisdiction" },
Size = 5,
Debug = QueryDebugMode.Agentic,
};
var directResult = await searchClient.SearchAsync<SearchDocument>(
question, options);
Beispieldiagnosen:
{
"semantic": null,
"queryRewrites": null,
"agentic": {
"terminationReason": "modelStopped",
"subQueries": [],
"usage": {
"agenticPlanningTokens": 102,
"reasoningTokens": 50
}
}
}
Reference:SearchClient.SearchAsync, SearchOptions.
Übermitteln Sie die vollständige Frage mit queryType: "agentic". Der Filter schränkt Nachweise auf Kanada ein und select steuert die zurückgegebenen Felder.
POST {{searchEndpoint}}/indexes/{{indexName}}/docs/search?api-version=2026-11-01-preview
Content-Type: application/json
Authorization: Bearer {{searchAccessToken}}
{
"search": "What parental leave do Canadian employees receive and how do they request it?",
"queryType": "agentic",
"agenticOptions": { "maxRuntimeInSeconds": 60 },
"filter": "jurisdiction eq 'CA'",
"select": "id,title,content,jurisdiction",
"top": 5,
"debug": "agentic"
}
Reference:Documents - Search POST.
Eine 200 Antwort bedeutet, dass die Anforderung abgeschlossen ist. Eine 206 Antwort bedeutet teilweisen Erfolg, und die Antwort kann weiterhin Dokumente enthalten.
Ein Beendigungsgrund von modelStopped bedeutet, dass die Verarbeitung abgeschlossen wurde, nachdem das Modell beendet wurde oder der Dienst seine Iterationsgrenze erreicht hat.
maxRuntimeExceeded bedeutet, dass die Anforderung ihr Laufzeitlimit erreicht hat, bevor das Modell stoppte.
modelFailed bedeutet, dass die Modellverarbeitung fehlgeschlagen ist, bevor das Modell stoppte.
Abrufen über eine Wissensbasis
Verwenden Sie eine Suchindex-Wissensquelle, um denselben Index wiederzuverwenden.
Erstellen Sie die Wissensquelle.
from azure.search.documents.indexes.models import ( SearchIndexFieldReference, SearchIndexKnowledgeSource, SearchIndexKnowledgeSourceParameters, ) source = index_client.create_knowledge_source( SearchIndexKnowledgeSource( name=knowledge_source_name, search_index_parameters=SearchIndexKnowledgeSourceParameters( search_index_name=index_name, source_data_fields=[ SearchIndexFieldReference(name="id"), SearchIndexFieldReference(name="title"), SearchIndexFieldReference(name="content"), SearchIndexFieldReference(name="jurisdiction"), ], ), ), )Reference:SearchIndexClient.
Erstellen Sie die Wissensbasis mit dem Microsoft-Retriever-1-Modell, minimaler Argumentation und extrahierender Ausgabe.
from azure.search.documents.indexes.models import ( KnowledgeBase, KnowledgeBaseMicrosoftRetriever1Model, KnowledgeSourceReference, ) from azure.search.documents.knowledgebases.models import ( KnowledgeRetrievalOutputMode, KnowledgeRetrievalMinimalReasoningEffort, ) knowledge_base = index_client.create_knowledge_base(KnowledgeBase( name=knowledge_base_name, knowledge_sources=[ KnowledgeSourceReference(name=source.name), ], models=[KnowledgeBaseMicrosoftRetriever1Model()], retrieval_reasoning_effort=KnowledgeRetrievalMinimalReasoningEffort(), output_mode=KnowledgeRetrievalOutputMode.EXTRACTIVE_DATA, ))Referenz:KnowledgeBase, SearchIndexClient.
Rufen Sie mit genau einer semantischen Absicht ab, die die vollständige Frage enthält.
from azure.search.documents.knowledgebases import ( KnowledgeBaseRetrievalClient, ) from azure.search.documents.knowledgebases.models import ( KnowledgeBaseRetrievalRequest, KnowledgeRetrievalMinimalReasoningEffort, KnowledgeRetrievalOutputMode, KnowledgeRetrievalSemanticIntent, ) retrieval_client = KnowledgeBaseRetrievalClient( search_endpoint, credential, knowledge_base_name=knowledge_base.name, ) response = retrieval_client.retrieve(KnowledgeBaseRetrievalRequest( intents=[KnowledgeRetrievalSemanticIntent(search=question)], retrieval_reasoning_effort=KnowledgeRetrievalMinimalReasoningEffort(), output_mode=KnowledgeRetrievalOutputMode.EXTRACTIVE_DATA, include_activity=True, ))Reference:KnowledgeBaseRetrievalClient.
Erstellen Sie die Wissensquelle.
using Azure.Search.Documents.Indexes.Models; var source = (await indexClient.CreateKnowledgeSourceAsync( new SearchIndexKnowledgeSource(knowledgeSourceName, new SearchIndexKnowledgeSourceParameters(indexName) { SourceDataFields = { new SearchIndexFieldReference("id"), new SearchIndexFieldReference("title"), new SearchIndexFieldReference("content"), new SearchIndexFieldReference("jurisdiction"), }, }))).Value;Reference:SearchIndexClient.
Erstellen Sie die Wissensbasis mit dem Microsoft-Retriever-1-Modell, minimaler Argumentation und extrahierender Ausgabe.
using Azure.Search.Documents.Indexes.Models; using Azure.Search.Documents.KnowledgeBases.Models; var knowledgeBase = (await indexClient.CreateKnowledgeBaseAsync( new KnowledgeBase(knowledgeBaseName, [new KnowledgeSourceReference(source.Name)]) { Models = { new KnowledgeBaseMicrosoftRetriever1Model() }, RetrievalReasoningEffort = new KnowledgeRetrievalMinimalReasoningEffort(), OutputMode = KnowledgeRetrievalOutputMode.ExtractiveData, })).Value;Reference:KnowledgeBase, SearchIndexClient.
Rufen Sie mit genau einer semantischen Absicht ab, die die vollständige Frage enthält.
using Azure.Search.Documents.KnowledgeBases; using Azure.Search.Documents.KnowledgeBases.Models; var retrievalClient = new KnowledgeBaseRetrievalClient( new Uri(searchEndpoint), knowledgeBase.Name, credential); var request = new KnowledgeBaseRetrievalRequest { Intents = { new KnowledgeRetrievalSemanticIntent(question) }, RetrievalReasoningEffort = new KnowledgeRetrievalMinimalReasoningEffort(), OutputMode = KnowledgeRetrievalOutputMode.ExtractiveData, IncludeActivity = true, }; var response = await retrievalClient.RetrieveAsync(request);Reference:KnowledgeBaseRetrievalClient.
Erstellen Sie die Wissensquelle.
PUT {{searchEndpoint}}/knowledgesources/{{knowledgeSourceName}}?api-version=2026-11-01-preview Content-Type: application/json Authorization: Bearer {{searchAccessToken}} { "name": "{{knowledgeSourceName}}", "kind": "searchIndex", "searchIndexParameters": { "searchIndexName": "{{indexName}}", "sourceDataFields": [ { "name": "id" }, { "name": "title" }, { "name": "content" }, { "name": "jurisdiction" } ] } }Erstellen Sie die Wissensbasis mit der Modellart
microsoftRetriever1, minimaler Begründung und der extraktiven Ausgabe.PUT {{searchEndpoint}}/knowledgebases/{{knowledgeBaseName}}?api-version=2026-11-01-preview Content-Type: application/json Authorization: Bearer {{searchAccessToken}} { "name": "{{knowledgeBaseName}}", "knowledgeSources": [{ "name": "{{knowledgeSourceName}}" }], "models": [{ "kind": "microsoftRetriever1" }], "retrievalReasoningEffort": { "kind": "minimal" }, "outputMode": "extractiveData" }Reference:Wissensdatenbanken – Erstellen oder Aktualisieren.
Rufen Sie mit genau einer semantischen Intention ab, die die vollständige Frage enthält.
POST {{searchEndpoint}}/knowledgebases/{{knowledgeBaseName}}/retrieve?api-version=2026-11-01-preview Content-Type: application/json Authorization: Bearer {{searchAccessToken}} { "intents": [{ "type": "semantic", "search": "What parental leave do Canadian employees receive and how do they request it?" }], "retrievalReasoningEffort": { "kind": "minimal" }, "outputMode": "extractiveData", "includeActivity": true }Reference:Knowledge Retrieval - Retrieve.
Das Aktivitätsprotokoll enthält ein Planerergebnis, das dem folgenden Beispiel ähnelt:
{
"type": "modelQueryPlanning",
"id": 1,
"inputTokens": 94,
"outputTokens": 26,
"elapsedMs": 251,
"model": {
"modelName": "microsoft-retriever-1"
}
}
Um die JSON-Antwort während der Nachweisüberprüfung zu analysieren und zu korrelieren, folgen Sie der extrahierten Antwort, dem Array "References" und " Activity".
Automatisches Abrufen von Gründen
Anforderungen können in Schwierigkeiten variieren. Einige Anforderungen können mit einem schnellen Nachschlagevorgang beantwortet werden, während andere eine tiefere Planung benötigen. Verwenden Sie „Auto“, wenn Sie die Schwierigkeit jeder Anforderung im Voraus nicht vorhersehen können. Anstatt auf jede Anforderung einen festen Denkaufwand anzuwenden, wählt Auto die Abruftiefe für jede Anforderung aus.
Auto folgt einem von zwei Pfaden für jede Anforderung. Der Standardpfad beginnt mit dem anfänglichen Autodurchlauf, der minimale Abruferlegungsaufwand verwendet und nur bei Bedarf zu einer tieferen Planung wechselt. Wenn eine Anfrage nicht für den Standardpfad berechtigt ist, beginnt Auto stattdessen mit mittlerem Aufwand. Auto erfordert ein externes Planungsmodell, das verwendet wird, wenn eine Anforderung beginnt oder zu Medium eskaliert. Der Standardpfad ist nur verfügbar, wenn die Anforderung alle folgenden Anforderungen erfüllt:
- Der Foundry IQ-Dienst befindet sich in einer Region, die Auto Retrieval Reasoning-Aufwand unterstützt.
- Die Anforderung enthält genau eine semantische Absicht.
- Jede Wissensquelle in der Wissensbasis unterstützt minimales Abrufen von Gründen.
- Mindestens eine Wissensquelle in der Wissensdatenbank unterstützt den ersten Auto-Durchlauf, wie in der folgenden Tabelle dargestellt. Jede Wissensquelle, bei der
alwaysQuerySourceauftruefestgelegt ist, muss diesen Pass auch unterstützen.
| Wissensquelle | Erster automatischer Durchlauf |
|---|---|
| Suchindex | ✔️ |
| Azure Blob | ✔️ |
| Azure SQL | ✔️ |
| Datei | ✔️ |
| OneLake | ✔️ |
| Indizierter SharePoint | ✔️ |
| Remote-SharePoint | ❌ |
| Fabric Daten-Agent | ❌ |
| Fabric Ontologie | ❌ |
| MCP-Server | ❌ |
| Work IQ | ❌ |
| Web | ❌ |
- Für Wissensquellen im ersten Autodurchlauf ist die Bildbereitstellung deaktiviert, und ist nicht auf festgelegt.
Wenn die Anforderung mehr als eine semantische Absicht enthält oder eine andere Anforderung für den anfänglichen Autodurchlauf nicht erfüllt ist, beginnt Auto mit Medium. Eine Wissensquelle, die im ersten AutoDurchlauf nicht verwendet wird, kann in späteren Planungsphasen noch abgefragt werden.
Wenn eine Anforderung für den Standardpfad berechtigt ist, wird es automatisch von einem einfacheren Abruf zur komplexeren Planung bei Bedarf eskaliert:
- Auto sendet zuerst Abfragen an die Wissensquellen, die für den ersten Durchlauf berechtigt sind. Wenn das Top-Ergebnis relevant genug ist, gibt Auto diese Ergebnisse sofort zurück.
- Wenn die Anforderung für den ersten Durchlauf zu komplex ist und microsoft-retriever-1 alle Wissensquellen unterstützt, die für die Anforderung verfügbar sind, führt microsoft-retriever-1 einen tieferen Abruf durch.
- Schließlich kann microsoft-retriever-1 mit mittlerem Aufwand an das externe Planungsmodell eskalieren, wenn die Anforderung eine tiefere Planung erfordert.
Um Auto zu verwenden, fügen Sie der Knowledge Base ein unterstütztes externes Modell hinzu, konfigurieren Sie den Zugriff auf das Modell und legen Sie den Reasoning-Aufwand für den Abruf auf „Auto“ fest.
Fügen Sie ein externes Planungsmodell hinzu, und legen Sie Auto als Knowledge Base-Standard fest.
from azure.search.documents.indexes.models import ( AzureOpenAIVectorizerParameters, KnowledgeBaseAzureOpenAIModel, KnowledgeBaseMicrosoftRetriever1Model, ) from azure.search.documents.knowledgebases.models import ( KnowledgeRetrievalAutoReasoningEffort, ) azure_open_ai_model = KnowledgeBaseAzureOpenAIModel( azure_open_ai_parameters=AzureOpenAIVectorizerParameters( resource_url="<azure-openai-endpoint>", deployment_name="<model-deployment-name>", model_name="<model-name>", ), ) knowledge_base.models = [ KnowledgeBaseMicrosoftRetriever1Model(), azure_open_ai_model, ] knowledge_base.retrieval_reasoning_effort = ( KnowledgeRetrievalAutoReasoningEffort() ) knowledge_base = index_client.create_or_update_knowledge_base( knowledge_base, )Reference:KnowledgeBase, SearchIndexClient.
Mit Auto abrufen.
from azure.search.documents.knowledgebases.models import ( KnowledgeBaseRetrievalRequest, KnowledgeRetrievalAutoReasoningEffort, KnowledgeRetrievalOutputMode, KnowledgeRetrievalSemanticIntent, ) auto_response = retrieval_client.retrieve( KnowledgeBaseRetrievalRequest( intents=[KnowledgeRetrievalSemanticIntent(search=question)], retrieval_reasoning_effort=( KnowledgeRetrievalAutoReasoningEffort() ), output_mode=KnowledgeRetrievalOutputMode.EXTRACTIVE_DATA, include_activity=True, ) )Reference:KnowledgeBaseRetrievalClient.
Fügen Sie ein externes Planungsmodell hinzu, und legen Sie Auto als Knowledge Base-Standard fest.
using Azure.Search.Documents.Indexes.Models; using Azure.Search.Documents.KnowledgeBases.Models; var azureOpenAIParameters = new AzureOpenAIVectorizerParameters { ResourceUri = new Uri("<azure-openai-endpoint>"), DeploymentName = "<model-deployment-name>", ModelName = "<model-name>", }; knowledgeBase.Models.Clear(); knowledgeBase.Models.Add(new KnowledgeBaseMicrosoftRetriever1Model()); knowledgeBase.Models.Add(new KnowledgeBaseAzureOpenAIModel( azureOpenAIParameters: azureOpenAIParameters)); knowledgeBase.RetrievalReasoningEffort = new KnowledgeRetrievalAutoReasoningEffort(); knowledgeBase = (await indexClient.CreateOrUpdateKnowledgeBaseAsync( knowledgeBase)).Value;Reference:KnowledgeBase, SearchIndexClient.
Mit Auto abrufen.
using Azure.Search.Documents.KnowledgeBases.Models; var autoRequest = new KnowledgeBaseRetrievalRequest { Intents = { new KnowledgeRetrievalSemanticIntent(question) }, RetrievalReasoningEffort = new KnowledgeRetrievalAutoReasoningEffort(), OutputMode = KnowledgeRetrievalOutputMode.ExtractiveData, IncludeActivity = true, }; var autoResponse = await retrievalClient.RetrieveAsync(autoRequest);Reference:KnowledgeBaseRetrievalClient.
Fügen Sie ein externes Planungsmodell hinzu, und legen Sie Auto als Knowledge Base-Standard fest.
PUT {{searchEndpoint}}/knowledgebases/{{knowledgeBaseName}}?api-version=2026-11-01-preview Content-Type: application/json Authorization: ****** { "name": "{{knowledgeBaseName}}", "knowledgeSources": [{ "name": "{{knowledgeSourceName}}" }], "models": [ { "kind": "microsoftRetriever1" }, { "kind": "azureOpenAI", "azureOpenAIParameters": { "resourceUri": "<azure-openai-endpoint>", "deploymentId": "<model-deployment-name>", "modelName": "<model-name>" } } ], "retrievalReasoningEffort": { "kind": "auto" }, "outputMode": "extractiveData" }Reference:Wissensdatenbanken – Erstellen oder Aktualisieren.
Mit Auto abrufen.
POST {{searchEndpoint}}/knowledgebases/{{knowledgeBaseName}}/retrieve?api-version=2026-11-01-preview Content-Type: application/json Authorization: ****** { "intents": [{ "type": "semantic", "search": "What parental leave do Canadian employees receive and how do they request it?" }], "retrievalReasoningEffort": { "kind": "auto" }, "outputMode": "extractiveData", "includeActivity": true }Reference:Knowledge Retrieval - Retrieve.
Der folgende verkürzte Aktivitätsauszug zeigt eine Auto-Anfrage, die von microsoft-retriever-1 an das externe Planungsmodell eskaliert:
{
"activity": [
{
"type": "modelQueryPlanning",
"model": {
"modelName": "microsoft-retriever-1"
}
},
{
"type": "modelQueryPlanning",
"model": {
"modelName": "<model-name>",
"deploymentId": "<model-deployment-name>"
}
},
{
"type": "agenticReasoning",
"logicalReasoningEffort": {
"kind": "auto"
}
}
]
}
Der erste Planungsdatensatz zeigt microsoft-retriever-1-Aktivität an. Der zweite zeigt, dass die Planung an das externe Planungsmodell übergeben wurde.
Weitere Informationen finden Sie unter Reasoning-Aufwand beim Abruf.
Limitations
- Eine Knowledge Base, die nur microsoft-retriever-1 verwendet, unterstützt weder einen niedrigen oder mittleren Retrieval-Reasoning-Aufwand noch die Auswahl von Wissensquellen.
- Direct Search agentic execution doesn't support nonzero
skipoderorderby,count: truefacets, coverage below 100, highlighting, query rewrites, speller,semanticQuery, answers, captions, semantic wait or error controls, vector query rewrites,featuresMode,queryLanguageodersemanticFields. Purview-fähige Indizes werden ebenfalls nicht unterstützt.
Troubleshooting
Wenn eine minimale Anfrage, die Aktivität enthält, keine modelQueryPlanning Aktivität mit einer model.modelName von microsoft-retriever-1 hat, überprüfen Sie die Voraussetzungen und bestätigen Sie, dass die Anfrage eine semantische Intention enthält. Mehrere Absichten überspringen die Planung von microsoft-retriever-1, führen einen gewöhnlichen minimalen Abruf aus und geben agenticReasoning mit einer Warnung im 206 Aktivitätsdatensatz zurück.
Wenn microsoft-retriever-1 startet, aber die Planung nicht abschließt, enthält sein modelQueryPlanning-Aktivitätsdatensatz einen Fehler. Bei Minimal gibt die Anforderung 206 zurück, wenn sie abgerufene Ergebnisse beibehält. Andernfalls schlägt die Anforderung fehl. Mit „Auto“ kann die Planung an das externe Planungsmodell übergeben werden, wie im Beispiel „Autoaktivität“ gezeigt.
Bereinigen von Beispielressourcen
Löschen Sie nur Ressourcen, die Sie für dieses Beispiel erstellt haben, in Abhängigkeitsreihenfolge: Knowledge Base, Wissensquelle und dann Index.
index_client.delete_knowledge_base(knowledge_base_name)
index_client.delete_knowledge_source(knowledge_source_name)
index_client.delete_index(index_name)
Reference:SearchIndexClient.
await indexClient.DeleteKnowledgeBaseAsync(knowledgeBaseName);
await indexClient.DeleteKnowledgeSourceAsync(knowledgeSourceName);
await indexClient.DeleteIndexAsync(indexName);
Reference:SearchIndexClient.
### Delete the owned sample KB
DELETE {{searchEndpoint}}/knowledgebases/{{knowledgeBaseName}}?api-version=2026-11-01-preview
Authorization: Bearer {{searchAccessToken}}
### Delete the owned sample knowledge source
DELETE {{searchEndpoint}}/knowledgesources/{{knowledgeSourceName}}?api-version=2026-11-01-preview
Authorization: Bearer {{searchAccessToken}}
### Delete the owned sample index
DELETE {{searchEndpoint}}/indexes/{{indexName}}?api-version=2026-11-01-preview
Authorization: Bearer {{searchAccessToken}}
Referenz:Wissensdatenbanken, Wissensquellen und Indizes.